(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210462489.9 (22)申请日 2022.04.24 (71)申请人 深圳市安软慧视科技有限公司 地址 518000 广东省深圳市福田区沙 头街 道天安社区深南大道6019号金润大厦 9A1 (72)发明人 闫潇宁　陈晓艳　杨坤志　张东洋　 (74)专利代理 机构 深圳君信诚知识产权代理事 务所(普通 合伙) 44636 专利代理师 刘伟 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/44(2022.01) G06V 10/42(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于极化自注 意力的行人重识别方法、 系统 及相关设备 (57)摘要 本发明适用于计算机视觉领域， 提供了一种 基于极化自注 意力的行人重识别方法、 系统及相 关设备， 所述方法包括： 获取具有行人图片 的拍 摄数据集， 并对拍摄数据集进行预处理， 得到待 划分数据集； 将待划分数据集划分为训练集和测 试集， 每一行人图片具有真实标签； 构建包含双 支结构和极化自注意力机制结构的行人重识别 模型； 以训练集作为输入， 以训练集对应的真实 标签作为参数调试的参照， 利用Adam优化算法对 行人重识别模型进行训练， 得到训练参数权重； 以训练参数权重作为测试权重， 以测试集为行人 重识别模型的输入， 得到对于测试集的行人重识 别结果。 本发 明减少了特征提取过程中的信息损 失， 并结合全局和局部的特征提取提高了行人重 识别的准确度。 权利要求书2页 说明书9页 附图4页 CN 114792430 A 2022.07.26 CN 114792430 A 1.一种基于极化自注意力的行 人重识别方法， 其特 征在于， 所述方法包括： 获取具有行人图片的拍摄数据集， 并对所述拍摄数据集进行预处理， 得到待划分数据 集； 将所述待划分数据集划分为训练集和测试集， 其中， 所述训练集和所述数据集中的每 一张所述行 人图片都具有真实标签； 构建包含双支结构和极化自注意力机制结构的行 人重识别模型； 以所述训练集作为所述行人重识别模型的输入， 并以所述训练集对应的所述真实标签 作为参数调试的参照， 利用Adam优化算法对所述行人重识别模型进行训练， 得到训练参数 权重； 以所述训练参数权重作为所述行人重识别模型的测试权重， 以所述测试集为所述行人 重识别模型的输入， 得到对于所述测试集的行 人重识别结果。 2.如权利要求1所述的基于极化自注意力的行人重识别方法， 其特征在于， 所述获取具 有行人图片的拍摄数据集， 并对 所述拍摄数据集进 行预处理， 得到待划分数据集的步骤中， 所述预处 理具体包括： 对所述拍摄数据集中的每一张图片的大小进行归一化， 并对所述拍摄数据集中的每一 张图片进行翻转、 随机 裁剪和擦除数据增强。 3.如权利要求1所述的基于极化自注意力的行人重识别方法， 其特征在于， 所述行人重 识别模型以卷积神经网络作为特征提取网络， 所述卷积神经网络包含输入层、 卷积层、 特征 提取层、 输出层， 其中的所述卷积层包括多个； 所述双支结构包含全局分支和局部分支， 所 述双支结构位于所述卷积层与所述输出层之间； 所述极化自注意力机制结构包含通道自注 意力分支和空间自注意力分支， 所述极化自注意力机制结构位于每一个所述卷积层之后。 4.如权利要求3所述的基于极化自注意力的行人重识别方法， 其特征在于， 对于所述极 化自注意力机制结构， 定义经过所述卷积层输出的所述行人图片的特征矩阵为X， 所述通道 自注意力分支的权 重为Asp(X)， 则所述 通道自注意力分支的权 重Asp(X)满足关系式(1)： Asp(X)＝FSG[σ3(FSM( σ1(FGP(Wq(X))))×σ2(Wv(X)))] (1) 定义所述空间自注意力分支的权重为Ach(X)， 则所述空间自注意力分支的权重Ach(X)满 足关系式(2)： 以上关系式(1)、 (2)中， Wq、 Wv、 均为1*1的卷积操作， σ1、 σ2、 σ3均为张量变形操作， FSM为softmax操作， FGP为全局平均池化操作， FSG为Sigmoid函数； 定义所述通道自注意力分支的权重Asp(X)与所述空间自注意力分支的权重Ach(X)的并 联融合结果 为PSAp(X)， 则所述并联融合结果P SAp(X)满足关系式(3)： PSAp(X)＝Zch+Zsp＝Ach(X)⊙chX+Asp(X)⊙spX (3) 以上关系式(3)中， PSAp(X)作为所述极化自注意力机制结构的输出， ⊙ch为按通道相乘 操作，⊙sp为按空间相乘操作， Zsp为所述空间自注 意力分支的输出， Zch为所述通道自注 意力 分支的输出。 5.如权利要求4所述的基于极化自注意力的行人重识别方法， 其特征在于， 对于所述双权　利　要　求　书 1/2 页 2 CN 114792430 A 2支结构： 所述全局分支与所述卷积神经网络的所述特征提取层结构相同， 用于以所述极化 自注意力机制结构输出的所述并联融合结果为输入， 并提取所述行人图片对应的全局特 征； 所述局部分支与所述全局分支处于平行层次， 用于以所述极化自注意力机制结构输出 的所述并联融合结果 为输入并提取 所述行人图片对应的局部特 征。 6.如权利要求5所述的基于极化自注意力的行人重识别方法， 其特征在于， 所述行人重 识别模型的输出层以所述全局特 征和所述局部特 征的融合结果作为输出 结果。 7.如权利要求1所述的基于极化自注意力的行人重识别方法， 其特征在于， 所述行人重 识别模型在训练过程中使用的损失函数包括三元组损失、 分类损失、 中心损失中的至少一 种。 8.一种基于极化自注意力的行 人重识别系统， 其特 征在于， 包括： 预处理模块， 用于获取具有行人图片的拍摄数据集， 并对所述拍摄数据集进行预处理， 得到待划分数据集； 数据划分模块， 用于将所述待划分数据集划分为训练集和测试集， 其中， 所述训练集和 所述数据集中的每一张所述行 人图片都具有真实标签； 模型构建模块， 用于构建包 含双支结构和极化自注意力机制结构的行 人重识别模型； 模型训练模块， 用于以所述训练集作为所述行人重识别模型的输入， 并以所述训练集 对应的所述真实标签作为参数调试的参照， 利用Adam优化算法对所述行人重识别模型进 行 训练， 得到训练参数权 重； 数据识别模块， 用于以所述训练参数权重作为所述行人重识别模型的测试权重， 以所 述测试集 为所述行 人重识别模型的输入， 得到对于所述测试集的行 人重识别结果。 9.一种计算机设备， 其特征在于， 包括： 存储器、 处理器及存储在所述存储器上并可在 所述处理器上运行的计算机程序， 所述处理器执行所述计算机程序时实现如权利要求 1至7 中任意一项所述的基于极化自注意力的行 人重识别方法中的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器执行时实现如权利要求 1至7中任意一项 所述的基于 极化自 注意力的行 人重识别方法中的步骤。权　利　要　求　书 2/2 页 3 CN 114792430 A 3